深度学习与人工智能实战

评论
15 views

读书摘要

《深度学习与人工智能实战》这本书是一本深入介绍深度学习在人工智能领域应用的专业书籍。书中通过大量的实例和实战项目，详细阐述了深度学习的原理、算法以及在实际应用中的实现方法。

从基础的张量运算和图像处理开始，逐步深入到各种神经网络算法，如Faster - R - CNN、YOLO v3、U - Net等目标检测算法，以及知识蒸馏原理等。每章都包含算法原理的讲解和对应的实战项目，帮助读者理解如何将理论知识应用到实际的人工智能项目中。

书中还涉及到深度学习框架的使用，如PyTorch，详细介绍了如何在PyTorch中进行数据处理、模型构建、损失函数计算、优化器使用以及模型训练等操作。通过这些内容，读者可以学习到如何使用深度学习框架来实现自己的人工智能应用。

此外，书中还包含了一些基于深度学习的实际应用案例，如人脸识别、目标检测等，展示了深度学习在人工智能领域的强大应用能力。

总体而言，这本书为对深度学习和人工智能感兴趣的读者提供了一个全面且实用的学习资源，无论是理论知识还是实践操作都有详细的讲解，适合初学者和有一定基础的读者阅读。

三级读书目录

第一部分：基础篇

• 第1章：张量运算及图像处理基础

• 1.1张量与张量运算

• 1.1.1张量的概念

• 1.1.2张量的基本属性

• 1.1.3张量生成

• 1.1.4张量维度和索引

• 1.1.5张量之间的运算

• 1.2图像处理的基础操作

• 1.2.1 PIL图像处理包简介

• 1.2.2常见的图像处理操作

• 第2章：深度学习编程基础

• 2.1卷积神经网络的基本概念和常用函数

• 2.1.1卷积层

• 2.1.2池化层

• 2.1.3全连接层

• 2.1.4激活函数

• 2.2 PyTorch中的神经网络结构/模型构建方法

• 2.2.1 PyTorch自带的数据集使用

• 2.2.2自定义数据集的使用

• 2.2.3 PyTorch中的数据预处理模块transforms

• 2.3 PyTorch中的损失函数使用

• 2.4 PyTorch中的优化器使用

• 2.4.1优化器

• 2.4.2学习率调整

• 2.5 PyTorch中模型训练的整体流程

• 第3章：简单的卷积神经网络实现

• 3.1 LeNet - 5卷积神经网络实现

• 3.1.1数据准备

• 3.1.2 LeNet - 5神经网络结构/模型定义

• 3.1.3 wandb可视化工具

• 3.1.4整体训练流程

• 3.1.5效果展示

• 3.2 AlexNet卷积神经网络实现

• 3.2.1数据准备

• 3.2.2 AlexNet神经网络结构/模型定义

• 3.2.3整体训练流程

• 3.2.4效果展示

第二部分：算法篇

• 第4章：基于深度学习的简单目标识别

• 4.1基于VGG骨干网络的目标分类

• 4.1.1 VGG介绍

• 4.1.2 VGG16实现

• 4.2基于ResNet骨干网络的目标分类

• 4.2.1 ResNet神经网络的设计原理

• 4.2.2 ResNet - 18神经网络实现

• 4.3基于VGG16进行CIFAR数据集分类

• 第5章：基于Inception - v3的人脸识别

• 5.1人脸表情数据准备

• 5.2基于ResNet神经网络的人脸表情识别

• 5.2.1网络定义

• 5.2.2整体训练流程

• 第6章：孪生神经网络及人脸验证实战

• 6.1孪生神经网络原理

• 6.2基于孪生神经网络的人脸验证实战

• 6.2.1数据准备

• 6.2.2孪生神经网络实现

• 6.2.3损失函数实现

• 6.2.4整体训练流程

• 6.2.5效果展示

• 第7章：CosFace损失函数原理及人脸识别实战

• 7.1 CosFace损失函数原理

• 7.2基于CosFace的人脸识别实战

• 7.2.1数据准备

• 7.2.2损失计算

• 7.2.3整体训练流程

• 7.2.4效果展示

• 第8章：知识蒸馏原理及实战

• 8.1知识蒸馏原理

• 8.1.1蒸馏网络的神经网络结构

• 8.1.2知识蒸馏过程

• 8.2知识蒸馏实战

• 8.2.1训练学生模型

• 8.2.2训练教师模型

• 8.2.3知识蒸馏的损失函数

• 8.2.4蒸馏过程

• 8.2.5效果展示

• 第9章：Faster - R - CNN目标检测算法原理及实战

• 9.1 Faster - R - CNN目标检测算法原理

• 9.1.1 Faster - R - CNN的神经网络结构

• 9.1.2 Faster - R - CNN的目标矩阵构造

• 9.1.3 Faster - R - CNN的损失函数设计

• 9.1.4 Faster - R - CNN的整体工作流程

• 9.2 Faster - R - CNN目标检测实战

• 9.2.1数据准备

• 9.2.2损失定义

• 9.2.3 Faster - R - CNN的神经网络模型实现

• 9.2.4整体训练流程

• 9.2.5效果展示

• 第10章：YOLO v3目标检测算法原理及实战

• 10.1 YOLO v3目标检测算法原理

• 10.1.1 YOLO v3神经网络结构

• 10.1.2 YOLO v3目标矩阵构造方法

• 10.1.3 YOLO v3损失函数设计

• 10.2 YOLO v3目标检测实战

• 10.2.1数据准备

• 10.2.2 YOLO v3神经网络实现

• 10.2.3整体训练流程

• 10.2.4效果展示

• 第11章：FCN图像分割算法原理及实战

• 11.1 FCN图像分割算法原理

• 11.2 FCN图像分割实战

• 11.2.1数据准备

• 11.2.2 FCN的神经网络结构/模型定义

• 11.2.3整体训练流程

• 11.2.4效果展示

• 第12章：U - Net图像分割算法原理及实战

• 12.1 U - Net图像分割算法原理

• 12.2基于U - Net的图像分割实战

• 12.2.1数据准备

• 12.2.2 U - Net的神经网络模型实现

• 12.2.3整体训练流程

• 12.2.4效果展示

• 第13章：DCGAN生成对抗网络原理及其图像生成实战

• 13.1 DCGAN生成对抗网络原理

• 13.1.1 DCGAN生成器模型

• 13.1.2 DCGAN的判别器模型

• 13.1.3 DCGAN的损失函数

• 13.1.4 DCGAN的训练过程

• 13.2基于DCGAN的图像生成实战

• 13.2.1定义判别器

• 13.2.2定义生成器

• 13.2.3定义损失函数

• 13.2.4整体训练流程

• 13.2.5效果展示

第三部分：附录

• 附录A：PyTorch开发环境配置

• 附录B：常用PyTorch函数速查手册